一种基于神经网络的钢筋混凝土柱损伤评估方法技术

本发明专利技术公开了一种基于神经网络的钢筋混凝土柱损伤评估方法，包括以下步骤：S1，通过有限元方法建立钢筋混凝土柱模型在爆炸荷载下的损伤数据集；S2，将损伤数据集送入搭建好的卷积神经网络模型进行训练，并保存最佳训练权重及对应的卷积神经网络模型；S3，将获取的目标物照片输入至保存的卷积神经网络模型进行损伤评估，输出损伤评估结果，克服了基于专家经验的人工评价方法费时费力、准确性和安全性不足的缺点。不足的缺点。不足的缺点。

【技术实现步骤摘要】
一种基于神经网络的钢筋混凝土柱损伤评估方法


[0001]本专利技术涉及神经网络
，尤其是一种基于神经网络的钢筋混凝土柱损伤评估方法。

技术介绍

[0002]钢筋混凝土柱是建筑、桥梁、水工等各种工程结构中最基本的竖向承重构件，其损伤程度影响着结构的局部及整体安全。传统的钢筋混凝土柱损伤检测主要依赖于现场勘察，高度依赖工程经验、费时费力、准确性和可靠性均不足。特别是对于震后现场破坏评估，由于存在可能的后续余震，其安全问题更为严峻。

技术实现思路

[0003]针对现有技术中的缺陷，本专利技术提供了一种基于神经网络的钢筋混凝土柱损伤评估方法，可直接评估钢筋混凝土柱损伤损伤结果，克服了基于专家经验的人工评价方法费时费力、准确性和安全性不足的缺点。
[0004]本专利技术提供了一种基于神经网络的钢筋混凝土柱损伤评估方法，包括以下步骤：
[0005]S1，通过有限元方法建立钢筋混凝土柱模型在爆炸荷载下的损伤数据集；
[0006]S2，将所述损伤数据集送入搭建好的卷积神经网络模型进行训练，并保存最佳训练权重及对应的卷积神经网络模型；
[0007]S3，将获取的目标物照片输入至保存的卷积神经网络模型进行损伤评估，输出损伤评估结果。
[0008]优选地，所述卷积神经网络模型包括：
[0009]主干网络，用于提取图像特征计算体积损失率；
[0010]损伤判断网络，用于模拟体积损失率与损伤之间的函数关系，并输出损伤等级。
[0011]优选地，所述主干网络采用MobilenetV3
‑
Small。
[0012]优选地，所述损伤判断网络包括两个全连接线性层。
[0013]优选地，所述步骤S1具体包括：
[0014]构建钢筋混凝土柱及炸药有限元模型；
[0015]调整炸药当量及起爆点，基于所述钢筋混凝土柱及炸药有限元模型计算爆炸荷载下的带损伤钢筋混凝土柱模型；
[0016]对所述带损伤钢筋混凝土柱模型施加轴压荷载，计算所述带损伤钢筋混凝土柱模型的极限承载力；
[0017]计算所述带损伤钢筋混凝土柱模型的极限承载力与完整钢筋混凝土柱模型竖向极限承载力的比值，得到损伤值；
[0018]选择典型角度，获取带损伤钢筋混凝土柱模型的图像数据；
[0019]根据所述损伤值对获取的带损伤钢筋混凝土柱模型的图像数据进行分类，得到损伤数据集。
[0020]优选地，所述步骤S1还包括：
[0021]使用预设边缘检测算法对分类后的带损伤钢筋混凝土柱模型的图像数据进行处理。
[0022]优选地，所述步骤S1还包括：
[0023]将所述损伤数据集按比例划分得到训练集、验证集和测试集。
[0024]优选地，所述步骤S2具体包括：
[0025]将所述训练集和验证集送入搭建好的卷积神经网络模型进行初步训练；
[0026]融合所述训练集和验证集并送入初步训练后的卷积神经网络模型，进行进一步训练，并得到预测损伤结果；
[0027]将所述测试集送入进一步训练后的卷积神经网络模型，根据所述进一步训练后的卷积神经网络模型在所述测试集上的准确率以及损失选择最佳模型参数，并保存最佳训练权重及对应的卷积神经网络模型。
[0028]本专利技术的有益效果了：
[0029]通过有限元方法建立损伤数据集，搭建卷积神经网络模型，并利用损伤数据集对模型进行训练，将目标物图片输入至训模型进行损伤评估，直接预测钢筋混凝土柱损伤程度，克服了基于专家经验的人工评价方法费时费力、准确性和安全性不足的缺点。且卷积神经网络模型包括主干网络和损伤判断网络，可根据输入图像的体积损失率对钢筋混凝土柱的损伤进行计算，提高了损伤评估结果的可解释性。
附图说明
[0030]为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
[0031]图1为本专利技术实施例一的流程示意图；
[0032]图2为本专利技术实施例二的流程示意图；
[0033]图3a为Canny边缘检测算法处理前的图片；
[0034]图3b为Canny边缘检测算法处理后的图片；
[0035]图4为本专利技术实施例二的卷积神经网络模型的结构示意图；
[0036]图5a为轻度损伤的图片；
[0037]图5b为中度损伤的图片；
[0038]图5c为重度损伤的图片。
具体实施方式
[0039]下面将结合附图对本专利技术技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，因此只作为示例，而不能以此来限制本专利技术的保护范围。
[0040]需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本专利技术所属领域技术人员所理解的通常意义。
[0041]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完
整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0042]应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0043]还应当理解，在此本专利技术说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本专利技术。如在本专利技术说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0044]还应当进一步理解，在本专利技术说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0045]实施例一：
[0046]如图1所示，本专利技术实施例提供了一种基于神经网络的钢筋混凝土柱损伤评估方法，包括以下步骤：
[0047]S1，通过有限元方法建立钢筋混凝土柱模型在爆炸荷载下的损伤数据集；
[0048]S2，将损伤数据集送入搭建好的卷积神经网络模型进行训练，并保存最佳训练权重及对应的卷积神经网络模型；
[0049]S3，将获取的目标物照片输入至保存的卷积神经网络模型进行损伤评估，输出损伤评估结果。
[0050]实施例二：
[0051]如图2所示，本专利技术实施例提供了一种基于神经网络的钢筋混凝土柱损伤评估方法，包括：
[0052]步骤一：通过HyperMesh软件对混凝土、钢筋、空气域和炸药进行建模，得到钢筋混凝土柱及炸药有限元模型；
[0053]步骤二：本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的钢筋混凝土柱损伤评估方法，其特征在于，包括以下步骤：S1，通过有限元方法建立钢筋混凝土柱模型在爆炸荷载下的损伤数据集；S2，将所述损伤数据集送入搭建好的卷积神经网络模型进行训练，并保存最佳训练权重及对应的卷积神经网络模型；S3，将获取的目标物照片输入至保存的卷积神经网络模型进行损伤评估，输出损伤评估结果。2.根据权利要求1所述的一种基于神经网络的钢筋混凝土柱损伤评估方法，其特征在于，所述卷积神经网络模型包括：主干网络，用于提取图像特征计算体积损失率；损伤判断网络，用于模拟体积损失率与损伤之间的函数关系，并输出损伤等级。3.根据权利要求2所述的一种基于神经网络的钢筋混凝土柱损伤评估方法，其特征在于，所述主干网络采用MobilenetV3
‑
Small。4.根据权利要求2所述的一种基于神经网络的钢筋混凝土柱损伤评估方法，其特征在于，所述损伤判断网络包括两个全连接线性层。5.根据权利要求1所述的一种基于神经网络的钢筋混凝土柱损伤评估方法，其特征在于，所述步骤S1具体包括：构建钢筋混凝土柱及炸药有限元模型；调整炸药当量及起爆点，基于所述钢筋混凝土柱及炸药有限元模型计算爆炸荷载下的带损伤钢筋混凝土柱模型；对所述带损伤钢筋混凝土柱...

【专利技术属性】
技术研发人员：方辉，郑文言，段利亚，刘勇，李华军，
申请(专利权)人：中国海洋大学，
类型：发明
国别省市：